|
Vyučující
|
-
Hájek Petr, prof. Ing. Ph.D.
|
|
Obsah předmětu
|
Koncept strojového učení a teorie učení Typy úloh strojového učení Generativní algoritmy učení Podpůrné vektorové stroje Soubory algoritmů pro učení s učitelem Algoritmy pro učení bez učitele Hybridní učící se systémy Hodnocení učících se algoritmů Posilované učení Příklady aplikací strojového učení
|
|
Studijní aktivity a metody výuky
|
|
Monologická (výklad, přednáška, instruktáž), Dialogická (diskuze, rozhovor, brainstorming), Metody práce s textem (učebnicí, knihou), Metody samostatných akcí, Laborování
|
|
Výstupy z učení
|
Cílem předmětu je seznámit studenty se základními přístupy ke strojovému učení. Obsahem předmětu je definice základních konceptů strojového učení a představení základních úloh pro strojové učení. Dále jsou jednotlivé úlohy rozděleny na učení s učitelem, učení bez učitele a posilované učení
Po absolvování předmětu by měl student rozumět základním metodám strojového učení, měl by je umět používat a měl by umět pro konkrétní úlohu navrhnout vhodný systém se strojovým učením.
|
|
Předpoklady
|
Práce na PC a základní znalosti práce s produktem MS Excel.
|
|
Hodnoticí metody a kritéria
|
Písemná zkouška, Posouzení zadané práce, Systematické pozorování
Požadavky k zápočtu: Zpracování zadaných úloh na cvičení s minimálně 60% úspěšností. Úspěšné obhájení dvou praktických projektů, při němž student prokáže schopnost aplikovat získané teoretické znalosti. Požadavky ke zkoušce: Vyhodnocení zkoušky: 40% hodnocení projektů, 60% hodnocení písemného přezkoušení. Celková minimální úspěšnost písemného přezkoušení je 60%.
|
|
Doporučená literatura
|
-
ALPAYDIN, E. Introduction to Machine Learning. London, 2009.
-
BISHOP, C.M. Pattern Recognition and Machine Learning. New York, 2007.
-
DUDA, R., HART, P., STORK, D. Pattern Classification. New York, 2001.
-
HASTIE, T., TIBSHIRANI, R., FRIEDMAN, J. The Elements of Statistical Learning. Berlin, 2009.
-
MITCHELL, T. Machine Learning. New York, 1997.
-
WITTEN, I.H., FRANK, E., HALL, M.A. Data Mining: Practical Machine Learning Tools and Techniques. Amsterdam, 2011.
|